一种人脸识别方法和装置
技术领域
本说明书实施例涉及人脸识别技术领域,尤其涉及一种人脸识别方法和装置。
背景技术
随着人脸识别技术的发展,以人脸识别作为身份认证的应用场景越来越多,人脸识别以安全性高、使用方便等优点倍受用户青睐,被广泛应用在考勤、安检等领域。现有技术中人脸识别通常是将待识别用户的人脸图像与检索库中预存的大量人脸图像作相似度比对,以对待识别用户的身份进行确认,不过这种仅仅依靠人脸相似度的人脸识别方式识别精度有限,误识率较高。因此,有必要提供一种人脸识别的技术方案来提高人脸识别的准确率。
发明内容
本说明书实施例提供一种人脸识别方法和装置,用于提高人脸识别的准确率。
本申请实施例采用下述技术方案:
第一方面,提供了一种人脸识别方法,包括:获取待识别用户的第一位置信息以及人脸特征;基于所述人脸特征进行人脸检索,得到候选用户;基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
第二方面,提供了一种人脸识别装置,包括:获取模块,获取待识别用户的第一位置信息以及人脸特征;人脸检索模块,基于所述人脸特征进行人脸检索,得到候选用户;人脸识别模块,基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如下操作:获取待识别用户的第一位置信息以及人脸特征;基于所述人脸特征进行人脸检索,得到候选用户;基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如下操作:获取待识别用户的第一位置信息以及人脸特征;基于所述人脸特征进行人脸检索,得到候选用户;基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:在获取待识别用户的人脸特征的同时获取待识别用户的第一位置信息,这样,在进行人脸检索得到候选用户之后即可基于第一位置信息和候选用户的第二位置信息确定人脸识别结果,由于在人脸识别时考虑了位置信息特征,相对于仅仅依靠人脸特征的人脸识别方式,提高了人脸识别的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书的一个实施例提供的人脸识别方法流程示意图;
图2为本说明书的另一个实施例提供的人脸识别方法的执行过程具体示意图;
图3为本说明书的一个实施例提供的人脸识别装置结构示意图;
图4为实现本说明书各个实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,本说明书的一个实施例提供一种人脸识别方法,包括如下步骤:
S110:获取待识别用户的第一位置信息以及人脸特征。
该实施例的待识别用户,也可以称作是需要进行人脸识别确认身份的用户,具体可以是支付操作中需要进行刷脸确认身份的用户、门禁旁边需要刷脸确认身份以允许通过的用户等等。
该实施例中的第一位置信息,可以是待识别用户的实时位置信息,具体可以基于待识别用户的移动终端采集得到,移动终端的地理位置信息可以由全球定位系统(GlobalPositioning System,GPS)、移动运营网基站、WI-FI等定位方式提供。
该实施例中的第一位置信息也可以是基于位置固定的图像采集装置的地理位置坐标获取的到,该实施例执行之前可以预先获取上述图像采集装置的地理位置信息和标识等。
需要说明的是,上述提到的待识别用户的第一位置信息,以及后续提到的候选用户的第二位置信息,其中的“第一”和“第二”只是为了区分这些不同的位置信息所属的用户,并不代表其他的含义。
该实施例中待识别用户的人脸特征,具体可以通过以下方式获取的到:首先,通过移动终端或位置固定的图像采集装置采集待识别用户的人脸图像;然后,对采集的人脸图像进行质量评价,对质量评价通过的人脸图像进行预处理;最后,通过预先设定的人脸图像特征提取算法从预处理后的人脸图像中提取出待识别用户的人脸特征。
上述人脸图像的质量评价方法可选用人脸的对称性判断姿态,估计光照均匀度等常用评价方法;上述对人脸图像进行的预处理可以包括:光线补偿、灰度变换、直方图均衡化、归一化、几何校正中的至少一项;上述图像特征提取算法可选用人脸图像特征提取的常用算法,如主成分分析(Principal Component Analysis,PCA)算法和线性鉴别分析(Linear Discriminant Analysis,LDA)算法等。
可选地,该实施例在获取第一位置信息以及人脸特征的同时,还可以记录人脸图像的采集时间、或者是第一位置信息的采集时间等信息,具体可以通过插入时间戳的方式记录。
S120:基于所述人脸特征进行人脸检索,得到候选用户。
该步骤具体可以是将待识别用户的人脸特征与预设人脸特征进行相似度对比,得到相似度评估指标大于或等于预设值的候选用户。该实施例中的预设人脸特征,具体可以是预先存储的已经了确定身份的用户的人脸特征。
可选地,预设人脸特征可以是一个确定身份的用户的人脸特征,该实施方式适用于核身的场景下,这样,得到的候选用户的数量也可以是一个,同时还可以得到该候选用户的相似度。
可选地,预设人脸特征也可以是大量的、确定身份的用户的人脸特征,该实施方式适用于大规模人脸检索的场景下,这样,得到的候选用户的数量可以是多个,同时还可以得到多个候选用户的相似度,并按照相似度从高到底的顺序对多个候选用户进行排序。
上述相似度评估指标,可以用来表征待识别用户的人脸特征与预设人脸特征之间的相似程度,具体可以是待识别用户的人脸特征分别与多个预设人脸特征之间的欧氏距离。例如,将待识别用户的人脸特征用n维向量(x1,x2,...,xn)来表示,预设人脸特征用n维向量(y1,y2,...,yn)来表示,则待识别用户的人脸特征与预设人脸特征之间的欧氏距离的计算公式为:上述欧氏距离d也就是待识别用户的人脸特征与预设人脸特征之间的相似度值。
可选地,上述相似度评估指标也可以是对上述欧氏距离进行归一化后的得到的数值,例如归一化到0-100,其中,0表示相似程度最低,而100为相似程度最高。
本领域技术人员应能理解,上述相似度评估指标的计算方法仅为举例,其他现有的或今后可能出现的相似度评估指标的计算方法如可适用于本说明书实施例,也应包含在本发明保护范围以内,并在此以引用方式包含于此。
S130:基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
该实施例中,候选用户的第二位置信息,可以是候选用户的实时位置信息,也可以是候选用户的历史位置信息,此时,还可以记录采集的历史位置信息的时间等信息。
如前所述,通过步骤S120可以得到候选用户以及该候选用户的相似度评估指标,则该步骤即可结合上述相似度评估指标,以及第一位置信息和第二位置信息确定人脸识别结果。
具体进行人脸识别时,可选地,上述第一位置信息和第二位置信息可以分别对应两个地理区域,例如,第一位置信息对应北京市,第二位置信息对应新疆,则可以根据两个地理区域是否有交集确定识别成功还是失败,例如,两个地理区域有交集,且待识别用户和候选用户的相似度大于或等于预定值,则确定人脸识别成功;两个地理区域没有交集或者是待识别用户和候选用户的相似度小于预定值,则确定人脸识别失败。
对于上述人脸识别成功,可以是确定出待识别用户的身份,也即确定出某一个候选用户就是待识别用户;相反,上述识别失败,可以是没有确定出待识别用户的身份,也即候选用户均不是待识别用户。
可选地,上述第一位置信息和第二位置信息可以分别对应两个具体的地点,可以用经纬度来表示,则可以根据两个具体的地点之间的距离近、远确定识别成功还是失败。具体例如,如果所述第一位置信息对应的第一位置和所述第二位置信息对应的第二位置之间的距离小于或等于预设位置阀值,且待识别用户和候选用户的相似度大于或等于预定值,确定对所述待识别用户识别成功;和/或;如果所述第一位置和所述第二位置之间的距离大于预设位置阀值或者是待识别用户和候选用户的相似度小于预定值,确定对所述待识别用户识别失败,等等。
本说明书实施例提供的人脸识别方法,在获取待识别用户的人脸特征的同时获取待识别用户的第一位置信息,这样,在进行人脸检索得到候选用户之后即可基于第一位置信息和候选用户的第二位置信息确定人脸识别结果,由于在人脸识别时考虑了位置信息特征,相对于仅仅依靠人脸特征的人脸识别方式,提高了人脸识别的准确度。
对于上述提到的提高了人脸识别的“准确度”,现举例进行说明,现有技术中在人脸识别时仅仅依靠人脸特征的相似度,例如,得到待识别用户与候选用户张三的相似度是90,与李四的相似度是80,则认为待识别用户是张三的概率大;待识别用户是李四的概率小。
本说明书实施例通过添加上述位置信息的特征,例如,得到待识别用户与候选用户张三的相似度是90,待识别用户此时在北京,候选用户张三此时(对应前文中的实时位置信息)在新疆,或者是1小时前(对应前文中的历史位置信息)在新疆;待识别用户与候选用户李四的相似度是80,待识别用户此时在北京,候选用户李四此时也在北京。与现有技术相反,通过本说明书实施例则认为待识别用户是张三的概率较小,而待识别用户是李四的概率大,因为张三不太可能出现在新疆,而同时又出现在北京,因此提高了人脸识别的准确度,减小误识率。
可选地,图1所示的实施例还可以包括如下步骤:获取所述第一位置信息对应的第一时刻以及候选用户的第二位置信息对应的第二时刻。
该实施例中,第一位置信息对应的第一时刻,具体可以是获取第一位置信息的时间,可选地,在获取第一位置信息的同时可以插入时间戳,该时间戳用于表示上述第一时刻。同理,第二位置信息对应的第二时刻,具体可以是获取第二位置信息的时间,可选地,在获取第二位置信息的同时可以插入时间戳,该时间戳用于表示第二时刻。
通过获取上述第一时刻和第二时刻,这样,图1所示的实施例的步骤S130的执行过程可以如下:
如果所述第一时刻和所述第二时刻的时间差小于或等于预设时间阀值,且所述第一位置信息对应的第一位置和所述第二位置信息对应的第二位置之间的距离小于或等于预设位置阀值,且待识别用户和候选用户的相似度大于或等于预定值,确定对所述待识别用户识别成功;和/或
如果所述第一时刻和所述第二时刻的时间差大于预设时间阀值,或所述第一位置和所述第二位置之间的距离大于预设位置阀值,或者是待识别用户和候选用户的相似度小于预定值,确定对所述待识别用户识别失败。
上述第一时刻通常是采集待识别用户第一位置信息的时间,可以理解为是当前时间;第二时刻一般是采集候选用户的第二位置信息的时间,可以是当前时间,也即第一时刻和第二时刻的时间差为零,达到最小。第二时刻也可以是距离当前时间十分钟、一小时、两小时、一天等对应的时刻,该情况下,考虑到候选用户可能是在实时运动中,例如出差,上下班路上等,因此,第一时刻和第二时刻之间的时间差越大,则可以认为候选用户的第二位置信息的可靠度越低。
该实施例在人脸识别的基础上,除了添加位置信息的特征,同时添加了位置信息对应的的时间特征,有利于进一步提高人脸识别的准确率。
对于上述提高人脸识别的准确率,现举例说明,例如,得到待识别用户与候选用户张三的相似度是90,待识别用户此时在北京,得到张三最新的位置信息是两天前在北京;得到待识别用户与候选用户李四的相似度是90,待识别用户此时在北京,李四此时在北京,通过本发明实施开则认为待识别用户是张三的概率较小,待识别用户是李四的概率大,因为李四的实时位置信息的可靠度要比张三两天前的历史位置信息的可靠度更高,更加符合实际情况,因此提高了人脸识别的准确度,减小误识率。
对于前文几个实施例中提到的候选用户的第二位置信息,具体可以是由上述候选用户的移动终端实时采集的到;也可以是通过其他信息进行预测得到。
具体例如,基于大数据分析预测得到:候选用户A在某个店铺消费过或者叫了外卖送到家里,则可以大概推测出候选用户A当前所在位置是在家中,从而减少了对移动终端的依赖性,不需要依靠移动终端实时采集候选用户的第二位置信息。
或者,基于候选用户的历史位置信息预测得到候选用户的第二位置信息,例如,基于大数据分析得到候选用户B是上班族:工作日的上班时间通常在公司;工作日的休息时间在家;节假日有很大概率是在家,上述公司和家的地理位置可以预先存储。
前文几个实施例中的步骤S120提到的基于所述人脸特征进行人脸检索,得到候选用户,具体可以是将待识别用户的人脸特征与多个预设人脸特征进行对比,得到相似度评估指标大于或等于预设值的候选用户。
优选地,具体可以是将待识别用户的人脸特征与预设位置区域对应的多个预设人脸特征进行对比,得到相似度评估指标大于或等于预设值的候选用户,其中,所述第一位置信息对应的第一位置在所述预设位置区域之内。
通过上述预设位置区域的限定,减少了需要进行相似度对比的预设用户的数量,从而节约消耗的资源。举例如下,如果检索库中预设用户数量是千万级,检索库中预设用户的地理位置信息可以是全国各地。待识别用户此时是在北京,则可以仅仅将待识别用户的人脸特征与检索库中当前位置(或者是预设时间段的对应的位置)是北京的预设人脸特征进行相似度对比,从而大大减少了需要进行对比的预设用户的数量,节约消耗的资源,提高检索速度。
前文几个实施例的步骤S130提到的基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果,具体可以是将所述第一位置信息和所述候选用户的第二位置信息,以及待识别用户与候选用户的相似度值等输入到对应的识别模型中,得到所述识别模型输出的识别结果,其中,所述识别模型是对样本数据进行训练得到。
通过上述识别模型,便于提高人脸识别速度和识别准确度。为详细说明上述识别模型,以下将结合一个具体应用实施例进行介绍,如图2所示,该实施例主要分模型训练部分和实际应用部分,以下将对图2所示的实施例进行详细介绍。
本说明书实施例应用中包括有一个大规模的人脸实时检索系统,该人脸实时检索系统包括有人脸特征库、人脸图像库、用户ID等信息,其中,人脸特征库可以是对人脸图像库中的人脸图像进行人脸特征提取得到。
基于该人脸实时检索系统,如果输入待识别用户的人脸特征,则可以输出与待识别用户人脸特征的相似度在一定阈值范围的一组候选用户,以及这一组候选用户中每个用户的用户ID,也即表明这一组候选用户可能是待识别用户。
本说明书实施例应用中还包括有一个用户LBS监控记录库,该LBS监控记录库通常来源于用户随身携带的并且具有LBS传感器的移动终端,如手机、PAD等,移动终端会主动或被动的向上述LBS监控记录库插入用户最新的地理位置信息,一般的地理位置信息可以直接描述为经纬度,上述地理位置信息则可以认为是用户当前的所在位置。其中,LBS是通过电信移动运营商的无线电通讯网络(如GSM网、CDMA网)或外部定位方式(如GPS)获取移动终端用户的位置信息。
以下将分模型训练部分和模型应用部分对该实施例提供的人脸识别方法进行介绍。
模型训练部分:
①如图2左上角所示,在模型训练之前,可以预先获取用户历史人脸识别记录并存入数据库中,用于生成后续模型训练使用的样本数据。
该数据库中可以包括用户ID、时间戳、人脸特征(可以是人脸特征向量)以及人脸识别的LBS数据等,为便于理解,上述数据库中存储的数据可以表示为:哪个用户(用户ID)在什么时间(时间戳)、什么地点(LBS数据)、用什么样的人脸图像(人脸特征)进行了人脸识别。
②将上述历史人脸识别记录中的人脸特征输入到人脸实时检索系统中,以通过大规模人脸实时检索系统进行检索;人脸实时检索系统会输出人脸检索结果,如图2所示,针对于步骤①中历史人脸识别记录中的每一个人脸特征,均可以得到如下数据:
{候选用户ID1;检索结果特征};
{候选用户ID2,检索结果特征};
……
{候选用户IDn,检索结果特征}。
对于上述每一个检索结果特征,可以包括检索出该候选用户的人脸图像的数量、检索出该候选用户的相似度的平均值、相似度的最大值等等。
③基于上述人脸检索结果,通过候选用户ID和时间戳,结合用户LBS监控记录,可以得到所有的候选用户在上述人脸识别记录时前后的地理位置特征(也即图2中的LBS特征)。
地理位置特征可以包括候选用户距离人脸识别记录时间最近的LBS记录的时间差、候选用户距离人脸识别记录时间最近的LBS记录与人脸识别时地理位置的距离等等。
④基于人脸检索结果和LBS特征,因为预先已经知道历史人脸识别记录中的真实用户ID,因此,真实用户ID与候选用户ID一样的可以标注为“是本人”即正样本,真实用户ID与候选用户ID不同的标为“不是本人”即负样本。得到例如:
{用户ID,人脸检索结果特征组,LBS特征组,标记位(是否本人)}的数据集合。
基于上述数据集合进行训练即可得到一个二分类的识别模型。本说明书实施例对具体采用的模型算法不作具体限定。
模型应用部分:
⑤采集待识别用户的人脸特征以及LBS数据。
在目前移动终端应用广泛的情况下,认为绝大多数的待识别用户会在一段时间内随身携带有手机、PAD等可以输出LBS数据的移动终端,这些LBS数据会被上传至用户LBS监控记录数据库。
该实施例中的待识别用户的LBS数据,可以是待识别用户的实时位置信息,具体可以基于待识别用户的移动终端采集得到,移动终端的地理位置可以由全球定位系统(Global Positioning System,GPS)、移动运营网基站、WI-FI等定位方式提供。该实施例中的待识别用户的LBS数据也可以是基于位置固定的图像采集装置的地理位置坐标获取的到,该实施例执行之前可以预先获取上述图像采集装置的地理位置信息和标识等。
该步骤中采集的数据可以描述为{未知用户x,时间戳,采集的人脸特征,LBS数据}。
⑥将⑤中采集到的数据中的人脸特征输入人脸实时检索系统,可以得到一组人脸检索结果,如图2所示,具体可以是:
{候选用户ID1;检索结果特征};
{候选用户ID2,检索结果特征};
……
{候选用户IDn,检索结果特征}。
对于上述每一个检索结果特征,可以包括检索出该候选用户的人脸图像的数量、检索出该候选用户的相似度的平均值、相似度的最大值等等。
⑦基于步骤⑥的人脸检索结果,从用户LBS监控数据库中产出所有候选用户基于本次识别时间戳的LBS特征,得到的特征汇总数据,如图2所示:
{候选用户ID1;检索结果特征;LBS特征};
{候选用户ID2,检索结果特征LBS特征};
……
{候选用户ID n,检索结果特征LBS特征}。
⑧将步骤⑦中的特征汇总数据输入识别模型,以得到每个候选用户ID是否为待识别用户的分值。
通常而言,将识别模型输出的分值最高的候选用户作为待识别用户的身份。当然,也有可能每一个候选用户ID分数都达不到系统预设的分数阈值,从而使得本次人脸识别的识别模型结果为空,识别模型可以输出类似于“没有结果”的数据。
本说明书实施例提供的人脸识别方法,在获取待识别用户的人脸特征的同时获取待识别用户的第一位置信息,这样,在进行人脸检索得到候选用户之后即可基于第一位置信息和候选用户的第二位置信息确定人脸识别结果,由于在人脸识别时考虑了位置信息特征,相对于仅仅依靠人脸特征的人脸识别方式,提高了人脸识别的准确度。另外,本说明书实施例通过上述识别模型进行人脸识别,便于提高人脸识别速度和识别准确度
以上说明书部分详细介绍了人脸识别方法实施例,如图3所示,本说明书还提供了一种人脸识别装置300,如图3所示,该装置300包括:
获取模块302,可以用于获取待识别用户的第一位置信息以及人脸特征;
人脸检索模块304,可以用于基于所述人脸特征进行人脸检索,得到候选用户;
人脸识别模块306,可以用于基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果。
本说明书实施例提供的人脸识别装置,在获取待识别用户的人脸特征的同时获取待识别用户的第一位置信息,这样,在进行人脸检索得到候选用户之后即可基于第一位置信息和候选用户的第二位置信息确定人脸识别结果,由于在人脸识别时考虑了位置信息特征,相对于仅仅依靠人脸特征的人脸识别方式,提高了人脸识别的准确度。
可选地,作为一个实施例,所述人脸识别模块306基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果包括:
如果所述第一位置信息对应的第一位置和所述第二位置信息对应的第二位置之间的距离小于或等于预设位置阀值,确定对所述待识别用户识别成功;和/或
如果所述第一位置和所述第二位置之间的距离大于预设位置阀值,确定对所述待识别用户识别失败。
可选地,作为一个实施例,所述获取模块302还可以用于获取所述第一位置信息对应的第一时刻以及所述第二位置信息对应的第二时刻,其中,所述人脸识别模块306基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果包括:
如果所述第一时刻和所述第二时刻的时间差小于或等于预设时间阀值,且所述第一位置信息对应的第一位置和所述第二位置信息对应的第二位置之间的距离小于或等于预设位置阀值,确定对所述待识别用户识别成功;和/或
如果所述第一时刻和所述第二时刻的时间差大于预设时间阀值,或所述第一位置和所述第二位置之间的距离大于预设位置阀值,确定对所述待识别用户识别失败。
可选地,作为一个实施例,所述获取模块302还可以用于
采集得到所述第二位置信息;或者,
基于所述候选用户的历史位置信息预测得到所述第二位置信息。
可选地,作为一个实施例,所述人脸检索模块304基于所述人脸特征进行人脸检索,得到候选用户包括:
将所述人脸特征与多个预设人脸特征进行对比,得到相似度评估指标大于或等于预设值的候选用户。
可选地,作为一个实施例,所述人脸检索模块304将所述人脸特征与多个预设人脸特征进行对比,得到相似度评估指标大于或等于预设值的候选用户包括:
将所述人脸特征与预设位置区域对应的多个预设人脸特征进行对比,得到相似度评估指标大于或等于预设值的候选用户,其中,所述第一位置信息对应的第一位置在所述预设位置区域之内。
可选地,作为一个实施例,所述人脸识别模块306基于所述第一位置信息和所述候选用户的第二位置信息确定识别结果包括:
将所述第一位置信息和所述候选用户的第二位置信息输入到对应的识别模型中,得到所述识别模型输出的识别结果,
其中,所述识别模型是对样本数据进行训练得到。
根据本说明书实施例的上述人脸识别装置300可以参照对应前文本说明书实施例的人脸识别方法的流程,并且,该人脸识别装置300中的各个单元/模块和上述其他操作和/或功能分别为了实现人脸识别方法中的相应流程,为了简洁,在此不再赘述。
下面将结合图4详细描述根据本说明书实施例的电子设备。参考图4,在硬件层面,电子设备包括处理器,可选地,包括内部总线、网络接口、存储器。其中,如图4所示,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括实现其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成转发聊天信息的装置。处理器,执行存储器所存放的程序,并具体用于执行本说明书前文所述的方法实施例的操作,这样,在获取待识别用户的人脸特征的同时获取待识别用户的第一位置信息,这样,在进行人脸检索得到候选用户之后即可基于第一位置信息和候选用户的第二位置信息确定人脸识别结果,由于在人脸识别时考虑了位置信息特征,相对于仅仅依靠人脸特征的人脸识别方式,提高了人脸识别的准确度。
上述图1至图3所示实施例揭示的方法、装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
图4所示的电子设备还可执行图1至图2的方法,并实现人脸识别方法在图1至图2所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述各个方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。